Par où commencer avec l'IA en entreprise ?
Pas par un assistant qui sait tout faire. Les projets d'IA qui tiennent commencent par une tâche précise, répétitive et mesurable : classer des documents, extraire des montants, répondre à des questions à partir d'une base documentaire, préparer un brouillon qu'un humain valide. On peut alors comparer avant et après, et décider d'aller plus loin ou d'arrêter.
Je vous aide à choisir cette première tâche, à rassembler les données nécessaires, puis à construire un prototype utilisable en quelques jours plutôt qu'une étude de plusieurs mois.
Les meilleures candidates sont souvent modestes : relire des pièces justificatives, trier des demandes entrantes par sujet, retrouver dans une base documentaire la réponse à une question fréquente. Elles ont en commun un volume répétitif, un résultat vérifiable et une personne capable de dire si la réponse est juste.
Extraire des données de documents
Labelit, un outil interne, envoie des photos de tickets de caisse à un modèle de reconnaissance de documents de Mistral et récupère une sortie structurée : SIREN du commerçant, date, montants hors taxe et toutes taxes comprises, TVA à plusieurs taux. Chaque résultat est validé par un schéma Pydantic, chaque fichier est renommé selon une convention, et un tableau récapitulatif est produit.
La leçon est générale : demander au modèle une sortie structurée et la valider par du code, plutôt que de faire confiance au texte libre. C'est ce qui rend l'automatisation fiable et vérifiable.
Rechercher dans vos contenus : RAG et GraphRAG
Le RAG, ou génération augmentée par la recherche, consiste à retrouver les passages pertinents de vos documents puis à les donner au modèle pour qu'il réponde en citant ses sources. Le GraphRAG va plus loin en organisant les connaissances en graphe : entités, relations, provenance.
Sur ScienceProtect, une plateforme de veille scientifique, j'ai participé à la construction d'un graphe de connaissances sur Memgraph qui relie substances, maladies, aliments, publications et experts de l'EFSA, interrogé par des agents avec validation des requêtes générées. Ce projet a été mené en équipe. Pour ce type de chantier, le studio sœur Arbre Agile porte l'offre spécialisée.
Des agents intégrés à vos outils
Un agent utile appelle vos outils existants : votre API, votre base de données, votre messagerie. Je l'écris avec des bibliothèques comme pydantic-ai, avec des sorties typées, des journaux de chaque appel et des limites claires sur ce qu'il a le droit de faire. Une action irréversible reste validée par un humain.
Je fais attention à la confidentialité : quelles données partent chez quel fournisseur de modèle, et sous quelles conditions. Un fournisseur européen comme Mistral est parfois le bon choix pour cette raison.
Comment je vérifie qu'un outil d'IA fonctionne
Avant de brancher un modèle sur un processus réel, je constitue avec vous un petit jeu d'exemples dont on connaît la bonne réponse : des documents déjà traités à la main, des questions dont la réponse est dans vos sources. L'outil est mesuré sur ce jeu, puis à nouveau à chaque changement de modèle, de consigne ou de fournisseur. On sait ainsi ce qu'il réussit, ce qu'il rate, et si une nouvelle version fait mieux ou moins bien.
En production, chaque appel est journalisé avec ses entrées, sa sortie, sa durée et son coût. Sur le graphe de connaissances de ScienceProtect, les requêtes générées par les agents sont validées avant d'être exécutées sur la base, et le suivi s'appuie sur des outils d'observabilité dédiés. Ce sont ces garde-fous qui permettent de confier une tâche à un modèle sans la surveiller en permanence.
Du prototype à l'outil utilisé
Un prototype convaincant en démonstration ne suffit pas. Pour qu'un outil d'IA soit réellement utilisé, il doit s'insérer là où l'équipe travaille déjà : un bouton dans le back-office, un traitement automatique à l'arrivée d'un document, un rapport envoyé chaque matin. Je construis donc l'intégration en même temps que le modèle, avec une API, des tâches de fond et une interface quand il en faut une. Et je prévois dès le départ ce qui se passe quand le fournisseur du modèle est indisponible : une file d'attente, une reprise automatique, ou un traitement manuel signalé à l'équipe.
Ce que l'IA ne fera pas pour vous
Elle ne remplace pas un processus mal défini, et elle se trompe : tout projet que je livre prévoit comment détecter et corriger ses erreurs. Je ne vends pas de promesse de productivité chiffrée sans mesure préalable, et je vous dirai si un simple script ou une règle métier fait mieux qu'un modèle de langage.
